Php HTML到纯文本-未知的原始编码

我正在使用PHP，从网站获取html，将其转换为纯文本并保存到数据库中

它们需要以utf-8格式保存到数据库中。 我的第一个问题是我不知道原始编码，从未知编码到utf-8的最佳编码方式是什么

第二个问题是html到纯文本的转换。我试着使用html2text，但它把所有的外国utf字符都搞乱了

最好的方法是什么

编辑：关于纯文本的部分似乎不够清晰。我不需要只剥离html标记。我想在保留一种文档结构的同时去掉标签<代码>，

标签将转换为换行符等，像

这样的标签将与其内容一起完全删除。

• 使用

  mb\u detect\u encoding（）

  进行编码检测

• 使用

  strip_tags（）

  去除HTML标记

其他主题如格式化输出取决于您的需要

编辑：我不知道是否存在一个完整的解决方案，但这个链接确实有助于改进现有的html到文本PHP脚本

---

此功能可能对您有用：

<?php
function FixEncoding($x){
  if(mb_detect_encoding($x)=='UTF-8'){
    return $x;
  }else{
    return utf8_encode($x);
  }
}
?>

mb\u detect\u编码似乎就是我想要的。但脱衣舞标签并不完全是这样。我需要一个更高级的库，比如html2text，它对utf8友好。@chaft:html2text用于转换和格式化文本。如果它是utf8友好的，那么它不应该弄乱字符。检查以下状态：“[

strip_tags（）

]如果仅使用UTF-8，则可能是多字节安全的（多字节UTF-8字符不包含类似小于或大于符号的字节序列）。避免使用UTF-16和UTF-32等。”@EmirAkaydın:I'd+1如果可以的话，请再次回答。：）@赫伯特html2text不支持utf8。strip_tags（）不是我要找的。它不分青红皂白地剥离标签，可能会破坏带有html标签的文本使用类似的标记时，它会混淆javascipt和文本。@AntonioLaguna utf8\u encode仅转换ISO-8859-1编码的字符串，不确定您希望从

text/plain

编码中得到什么（您是想保留标记、去除标记，还是介于两者之间）。。。也许值得一看HTML净化器的转换：相关：是的，但不是utf8_编码，您应该使用mb_convert_编码。utf_编码仅从ISO-8859-1编码